17405 algebra linear2 aulas 19a32 volume02
TRANSCRIPT
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
1/133
Operadores ortogonaisMO DU LO 3 AU LA 19
Aula 19 Operadores ortogonais
Objetivos
Compreender o conceito e as propriedades apresentadas sobre opera-dores ortogonais.
Aplicar os conceitos apresentados em exemplos importantes.Pre-requisitos: Aulas 10 a 14,
17 e 18.Voce deve se lembrar de que um operador T : Rn Rn e dito ortogonal
se existe uma base ortonormal de Rn tal que a matriz de T na base e
uma matriz ortogonal, isto e, se a matriz [T] e ortogonal.
Veremos que os operadores ortogonais estao bem definidos no sentido
de que o fato de ser um operador ortogonal nao depende da base ortonormal
escolhida, ou seja, se a matriz [T], numa certa base ortonormal de Rn, for
ortogonal, entao a matriz [T] tambem sera ortogonal para qualquer outra
base ortonormal de Rn.
Na verdade, temos o seguinte resultado:
Teorema 1
Sejam T : Rn Rn um operador ortogonal e e duas bases ortonor-mais de Rn. Se a matriz [T] e ortogonal, entao a matriz [T] tambem sera
ortogonal.
Demonstracao:
O teorema sobre mudanca de base para operadores lineares, visto no
curso de Algebra Linear I, nos garante que
[T] = P1[T]P,
onde P e a matriz mudanca de base entre as bases ortonormais e . Como e sao duas bases ortonormais de Rn, temos que P e uma matriz ortogonal
e, pelo Teorema 1 da Aula 10, segue-se que
P1 = Pt,
onde Pt e a transposta da matriz P. Assim,
[T] = Pt[T]P.
Como [T] e uma matriz ortogonal por hipotese e como o produto de
matrizes ortogonais e tambem uma matriz ortogonal, conclumos que [T]tambem sera uma matriz ortogonal.
7C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
2/133
Operadores ortogonais
O resultado anterior simplifica um problema crucial: para decidirmos se
um dado operador linear T : Rn Rne ortogonal, basta considerar qualquerbase ortonormal de R
n
e verificar se a matriz [T] e uma matriz ortogonal.
Exemplo 1
Verifique que o operador linear T : R3 R3
T(x,y,z) = (x cos y sen, x sen + y cos , z),com [0, 2), e um operador ortogonal.Solucao
De fato, escolhendo a base canonica
{e1, e2, e3
}de R3, dada por
e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1),
obtemosT(e1) = (cos , sen, 0)
T(e2) = (sen cos , 0)T(e3) = (0, 0, 1).
Portanto, a matriz que representa T nesta base e dada por
A = cos sen 0
sen cos 00 0 1
.
Sabemos que A e uma matriz ortogonal de R3. Mais ainda, A e uma
rotacao de radianos em torno do eixo-z (Exemplo 1 da Aula 17). Assim, o
operador linear T e um operador ortogonal.
O proximo teorema segue imediatamente do Teorema 2 da Aula 10.
Teorema 2
Seja T :R
n
R
n
um operador ortogonal. Entao as seguintes proprieda-des sao validas:
1. T transforma bases ortonormais em bases ortonormais, ou seja, se
{v1, v2, . . . , vn} e uma base ortonormal de Rn, entao {Tv1, Tv2, . . . , T vn}tambem e uma base ortonormal de Rn.
2. T preserva o produto interno, ou seja, para todo u, v Rn vale queTu, Tv = u, v .
3. T preserva a norma, ou seja, para todo v Rn vale que||Tv|| = ||v||.
C E D E R J 8
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
3/133
Operadores ortogonaisMO DU LO 3 AU LA 19
Exemplo 2
Seja T : R2
R
2 um operador ortogonal, entao sua matriz na base
canonica e da formacos sensen cos
ou
cos sen
sen cos
,
onde [0 , 2).
Solucao
De fato, sendo T : R2 R2 um operador ortogonal, sua matriz na base
canonica deR
2
sera uma matriz ortogonal de ordem 2. Mas, pelos Exemplos1 e 2 da Aula 10, sabemos que toda matriz ortogonal de ordem 2 e da forma
cos sensen cos
ou
cos sen
sen cos
.
Sabemos tambem que a primeira matriz representa uma rotacao de
radianos, no sentido anti-horario, em torno da origem, e a segunda matriz
representa uma reflexao em torno da reta pela origem que forma um angulo
de /2 radianos com o semi-eixo x positivo.
Exemplo 3
a) Determine a transformacao linear T : R2 R2 que leva o segmento dereta de extremidades (6, 2) e (1, 2) ao segmento de reta de extremi-dades (2, 6) e (1, 2), respectivamente (veja a Figura 19.1).
b) Mostre que a transformacao acima e uma rotacao. Determine, tambem,
o angulo dessa rotacao.
-6 -1 1
2 2
x x
y
y
6
Figura 19.1: O operador T.9
C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
4/133
Operadores ortogonais
Solucao
a) Queremos encontrar escalares a,b,c,d
R tais que a matriz que repre-
senta T na base canonica seja dada por
[T] =
a b
c d
.
Da condicao sobre as extremidades, temos
T(6, 2) =
a b
c d
6
2
=
2
6
e
T(
1 , 2) = a b
c d 1
2 = 1
2 ,
o que nos da o sistema linear
6a + 2b = 26c + 2d = 6a + 2b = 1c + 2d = 2
.
E facil ver que a solucao desse sistema e dada por:
a = 3/5; b = 4/5; c =
4/5 e d = 3/5.
Assim,
[T] =
3/5 4/5
4/5 3/5
.
b) Como as colunas da matriz [T], representadas pelos vetores
v1 = (3/5 , 4/5) e v2 = (4/5 , 3/5), formam uma base ortonormalde R2, conclumos que a matriz [T] e ortogonal e, consequentemente, o
operador linear T e um operador ortogonal. Alem disso, det[T] = 1 e,
assim, o operador T e uma rotacao de R2 cujo angulo e dado por
= arccos(3/5).
Exerccios
1. Seja T : R3 R3 uma reflexao num plano de R3 tal que T(1, 0, 1) =(1, 0, 1). Determine a matriz que representa o operador T com res-peito a base canonica.
2. Determine os autovalores e os autovetores associados da transformacaolinear T do exerccio anterior.
C E D E R J 10
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
5/133
Projecoes ortogonais 1a ParteMO DU LO 3 AU LA 20
Aula 20 Projecoes ortogonais 1a Parte
Objetivos
Compreender o conceito de projecao ortogonal em dimensao 2.
Aplicar os conceitos apresentados em exemplos importantes.Pre-requisitos: Aulas 10 a 14,
17, 18 e 19.
Nesta e na proxima aula vamos apresentar um tipo de transformacao
usada em areas como a Computacao Grafica e o Desenho Geometrico. Trata-
se das projecoes ortogonais. Nesta primeira aula, trabalharemos com as
projecoes ortogonais em R2.
Exemplo 1
Determine a matriz que representa a projecao ortogonal sobre o eixo-x,
isto e, sobre a reta de equacao cartesiana y = 0.
Solucao
Geometricamente, essa transformacao e representada pela Figura 20.1.
V= (x,y)
V'= (x,0)x
y
Figura 20.1: A projecao ortogonal no eixo-x.
Assim, temos a transformacao linear
T : R2 R2
T(x, y) = (x, 0).
11C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
6/133
Projecoes ortogonais 1a Parte
Denotando por {e1, e2} a base canonica de R2, temos que
T(e1) = T(1, 0) = (1, 0) = 1 e1 + 0 e2
T(e2) = T(0, 1) = (0, 0) = 0 e1 + 0 e2.
Portanto, a matriz que representa a transformacao T na base canonica
e dada por
A =
1 0
0 0
.
Vemos imediatamente algumas propriedades dessa projecao ortogonal.
1. A matriz A e, portanto, o operador T, nao e invertvel, pois det(A) = 0.
2. Como T(e2) = 0 e2, entao 2 = 0 e um autovalor de T com autovetorassociado e2 = (0, 1). Nao e difcil ver que o auto-espaco associado
a 2 = 0 e exatamente o eixo-y, isto e, a reta de equacao cartesiana
x = 0.
3. Como T(e1) = 1 e1, entao 1 = 1 e um autovalor de T com autovetorassociado e1 = (1, 0). Nao e difcil ver que o auto-espaco associado
a 1 = 1 e exatamente o eixo-x, isto e, a reta de equacao cartesiana
y = 0.
4. O operador T e diagonalizavel e seu polinomio caracterstico e
p(x) = x (x 1).
Exemplo 2
Determine a matriz que representa a projecao ortogonal sobre o eixo-y,
isto e, sobre a reta de equacao cartesiana x = 0.
Solucao
A projecao ortogonal no o eixo-y e dada pela transformacao linear
T : R2 R2T(x, y) = (0, y).
Geometricamente, esta transformacao e representada pela Figura 20.2.
C E D E R J 12
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
7/133
Projecoes ortogonais 1a ParteMO DU LO 3 AU LA 20
(x,y)T (x,y)
x
y
Figura 20.2: A projecao ortogonal no eixo-y.
Como no Exemplo 1, temos que
T(e1) = T(1, 0) = (0, 0) = 0 e1 + 0 e2
T(e2) = T(0, 1) = (0, 1) = 0 e1 + 1 e2.
Portanto, a matriz que representa a transformacao T na base canonicae dada por
A =
0 0
0 1
.
Como antes, vemos que:
1. A matriz A e, portanto, o operador T, nao e invertvel, pois det(A) = 0.
2. Como T(e1) = 0
e1, entao 1 = 0 e um autovalor de T com autovetor
associado e1 = (1 , 0). Nao e difcil ver que o auto-espaco associado
a 1 = 0 e exatamente o eixo-x, isto e, a reta de equacao cartesiana
y = 0.
3. Como T(e2) = 1 e2, entao 2 = 1 e um autovalor de T com autovetorassociado e2 = (0 , 1). Nao e difcil ver que o auto-espaco associado
a 2 = 1 e exatamente o eixo-y, isto e, a reta de equacao cartesiana
x = 0.
4. O operador T e diagonalizavel com polinomio caractersticop(x) = x (x 1).
13C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
8/133
Projecoes ortogonais 1a Parte
Os exemplos 1 e 2 sao muito simples, porem sao muito importantes a sua
compreensao e o seu significado geometrico. Especialmente, certifique-se de
que tenha entendido os auto-espacos associados a cada autovalor. Usaremosessas ideias para apresentar a projecao ortogonal sobre uma reta L qualquer
do R2 passando pela origem. Se voce compreendeu bem a geometria dos
exemplos anteriores, entao nao tera dificuldade em acompanhar o caso geral
a seguir.
Exemplo 3
Descreva a projecao ortogonal sobre uma reta L de R2 que passa pela
origem.
SolucaoSuponhamos que a reta L seja paralela a um vetor unitario u1 R2,
como ilustra a Figura 20.3.
u1
L
x
y
Figura 20.3: A reta L paralela ao vetor unitario u1.
O efeito geometrico da projecao ortogonal sobre a reta L e observado
na Figura 20.4.
TV
v
L
x
y
Figura 20.4: A projecao ortogonal na reta L.
C E D E R J 14
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
9/133
Projecoes ortogonais 1a ParteMO DU LO 3 AU LA 20
A projecao ortogonal de um vetor v na direcao do vetor u1 e dada por
T : R2
R
2
v Tv = v,u1u1,u1 u1,
de onde vemos que T e uma transformacao linear. Para obter a formula
acima observamos que desejamos um vetor Tv da forma Tv = ku1 de modo
que v ku1 seja ortogonal a u1 , como indica a Figura 20.5.
Figura 20.5: A projecao ortogonal de v na direcao de u1
Assim, da ortogonalidade entre v ku1 e u1 temos
= v ku1, u1= v, u1 ku1, u1= v, u1 k u1, u1 ,
o que nos da
k u1, u1 = v, u1k =
v, u1u1, u1 ,
e, portanto,
Tv = ku1 =v, u1u1, u1 u1.
Observe que na formula acima o vetor u1 nao precisa ser unitario, mas,caso seja, como u1, u1 = 1, entao a formula acima se simplifica para
Tv = v, u1 u1.
Nosso problema agora e encontrar a matriz que represente a trans-
formacao T. Veremos que, escolhendo uma base ortonormal adequada de
R2, a matriz de T nessa base e muito similar a matriz do Exemplo 1, visto
anteriormente. Lembre que o problema da escolha de uma base ortonormal
adequada ja foi tratado quando estudamos as reflexoes de R2 com respeito auma reta qualquer passando pela origem. Veja a Aula 12.
15C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
10/133
Projecoes ortogonais 1a Parte
Seja = {u1, u2} uma base ortonormal de R2 onde u1 e um vetorunitario paralelo a reta L e u2 e um vetor unitario normal a reta L. Veja a
Figura 20.6.
u1
u2
L
x
y
Figura 20.6: A base ortonormal = {u1, u2}.
Nesse caso, como u1, u1 = 1 e pela observacao acima temos que Tv =v, u1 u1. Assim, vemos que
Tu1 = u1, u1 u1 = u1 = 1 u1 + 0 u2Tu2 = u2, u1 u1 = 0 u1 = 0 u1 + 0 u2.
Portanto, a matriz que representa a transformacao T na base e dada
por
[T] =
1 0
0 0
,
que e exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canonica, e so fazermos umamudanca de base. Se = {e1, e2} e a base canonica de R2, entao
[T] = P [T]P1,
onde P e a matriz mudanca de base. Como P = [u1 u2], isto e, suas
colunas sao vetores ortonormais, entao P e uma matriz ortogonal e, portanto,
P1 = Pt. Como nos exemplos 1 e 2, temos as seguintes propriedades.
1. As matrizes [T] e [T] e, portanto, o operador T, nao sao invertveis,pois det [T] = 0.
C E D E R J 16
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
11/133
Projecoes ortogonais 1a ParteMO DU LO 3 AU LA 20
2. Como T(u2) = 0 u2, entao 2 = 0 e um autovalor de T com autovetorassociado u2. Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente a reta pela origem ortogonal a reta L.
3. Como T(u1) = 1 u1, entao 1 = 1 e um autovalor de T com autovetorassociado u1. Nao e difcil ver que o auto-espaco associado a 1 = 1 e
exatamente a reta L.
4. O operador T e diagonalizavel e seu polinomio caracterstico e
p(x) = x (x 1).
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exem-
plo e os dois primeiros. Isto se deve a escolha adequada de uma base orto-
normal de R2.
Exerccios
1. Determine a matriz da projecao ortogonal sobre a reta y =
3x com
respeito a base canonica.
2. Determine os autovalores e os auto-espacos associados da transformacao
linear do exerccio 1.
17C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
12/133
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
13/133
Projecoes ortogonais 2a ParteMO DU LO 3 AU LA 21
Aula 21 Projecoes ortogonais 2a Parte
Objetivos
Compreender o conceito de projecao ortogonal em dimensao 3.
Aplicar os conceitos apresentados em exemplos importantes.Pre-requisitos: Aulas 10 a 14,
17 a 20.
Nesta aula daremos continuidade ao estudo das projecoes ortogonais,
estudando as projecoes ortogonais em R3. Apresentamos inicialmente os
casos mais simples das projecoes ortogonais nos planos coordenados. Emseguida, trataremos do caso geral de uma projecao ortogonal sobre um plano
passando pela origem.
Exemplo 1
Determine a matriz que representa a projecao ortogonal sobre o plano-xy,
isto e, sobre o plano de equacao cartesiana z = 0.
Solucao
Geometricamente, essa transformacao e representada pela Figura 21.1.
u1
z
V= (x,y,z)
V'= (x,y,0)
x y
Figura 21.1: A projecao ortogonal no plano-xy.
19C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
14/133
Projecoes ortogonais 2a Parte
Assim, temos a transformacao linear
T : R3
R
3
T(x,y,z) = (x,y, 0).
Denotando por {e1, e2, e3} a base canonica de R3, temos que
T(e1) = T(1, 0, 0) = (1, 0, 0) = 1 e1 + 0 e2 + 0 e3T(e2) = T(0, 1, 0) = (0, 1, 0) = 0 e1 + 1 e2 + 0 e3T(e3) = T(0, 0, 1) = (0, 0, 0) = 0 e1 + 0 e2 + 0 e3.
Portanto, a matriz que representa a transformacao T na base canonica
e dada por
A =
1 0 00 1 0
0 0 0
.
Como nos exemplos da Aula 20, vemos imediatamente algumas propri-
edades dessa projecao ortogonal.
1. A matriz A e, portanto, o operador T, nao sao invertveis, pois
det(A) = 0.
2. Como T(e3) = 0 e3, entao 2 = 0 e um autovalor de T com autovetorassociado e3. Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente o eixo-z, que e o espaco gerado por e3.
3. Como T(e1) = 1 e1 e T(e2) = 1 e2, entao 1 = 1 e um autovalor deT de multiplicidade 2 com autovetores associados e1 e e2. Nao e difcil
ver que o auto-espaco associado a 1 = 1 e exatamente o plano-xy, que
e o espaco gerado pelos vetores canonicos e1 e e2.
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1)2.
Mais uma vez, chamamos a atencao do aluno para que compreenda bem
a geometria desse exemplo, pois ela sera recorrente nos exemplos seguintes.
Vejamos outro exemplo de projecao ortogonal em um plano coordenado.
Exemplo 2
Determine a matriz que representa a projecao ortogonal sobre o plano-yz ,isto e, sobre o plano de equacao cartesiana x = 0.
C E D E R J 20
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
15/133
Projecoes ortogonais 2a ParteMO DU LO 3 AU LA 21
Solucao
Geometricamente, essa transformacao e representada pela Figura 21.2.
z
(x,y,z) T(x,y,z)= (0,x,z)
x y
Figura 21.2: A projecao ortogonal no plano-yz .
Assim, temos a transformacao linear
T : R3 R3T(x,y,z) = (0, y , z).
Se voce entendeu bem a geometria do Exemplo 1, entao vera que neste
caso temos
T(e1) = T(1, 0, 0) = (0, 0, 0) = 0 e1 + 0 e2 + 0 e3T(e2) = T(0, 1, 0) = (0, 1, 0) = 0 e1 + 1 e2 + 0 e3T(e3) = T(0, 0, 1) = (0, 0, 1) = 0 e1 + 0 e2 + 1 e3.
Portanto, a matriz que representa a transformacao T na base canonica
e dada por
A =
0 0 00 1 0
0 0 1
.
Seguem tambem as propriedades:
1. A matriz A e, portanto, o operador T, nao sao invertveis, pois
det(A) = 0.
2. Como T(e1) = 0 e1, entao 2 = 0 e um autovalor de T com autovetorassociado e1. Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente o eixo-x, que e o espaco gerado por e1.
21C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
16/133
Projecoes ortogonais 2a Parte
3. Como T(e2) = 1 e2 e T(e3) = 1 e3, entao 1 = 1 e um autovalor deT de multiplicidade 2 com autovetores associados e2 e e3. Nao e difcil
ver que o auto-espaco associado a 1 = 1 e exatamente o plano-yz , quee o espaco gerado pelos vetores canonicos e2 e e3.
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1)2.
O outro caso trivial, a projecao ortogonal sobre o plano-xz, e totalmente
analogo aos exemplos anteriores e deixamos como exerccio para voce. Assim,
estando bem compreendidos os dois exemplos anteriores, podemos tratar da
projecao ortogonal sobre um plano qualquer de R3
passando pela origem.
Exemplo 3
Descreva a projecao ortogonal sobre um plano de R3 que passa pela
origem.Solucao
Seja T : R3 R3 a projecao ortogonal sobre o plano . Geometrica-mente, essa transformacao e representada pela Figura 21.3.
Figura 21.3: A projecao ortogonal no plano-.
Vamos agora obter uma base ortonormal de R3 de modo que a matriz
que representa a transformacao T nessa base seja da mesma forma que a
matriz do Exemplo 1. Como conhecemos a equacao cartesiana de plano
, sabemos como obter um vetor normal a esse plano. Lembre: se tem
equacao ax + by + cz + d = 0, entao o vetor u = (a,b,c) e um vetor normal
ao plano . Seja, entao, u3 um vetor unitario normal ao plano . Usando
a equacao cartesiana de , como foi feito nas Aulas 17 e 18, facilmente
determinamos vetores unitarios u1 e u2 de modo que = {u1, u2, u3} sejauma base ortonormal de R3. Observe que os vetores unitarios u1 e u2 saoortogonais e pertencem ao plano . Veja a Figura 21.4.
C E D E R J 22
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
17/133
Projecoes ortogonais 2a ParteMO DU LO 3 AU LA 21
Figura 21.4: A base ortonormal = {u1, u2, u3}.
A projecao ortogonal de um vetor v sobre o plano e dada por
T : R3 R3
v Tv = v, u1
u1, u1 u1 + v, u2
u2, u2 u2,de onde vemos que T e uma transformacao linear. Para obter a formula
acima observamos que desejamos um vetor Tv da forma Tv = k1u1 + k2u2
de modo que v k1u1 k2u2 seja ortogonal a u1 e u2, como indica aFigura 21.5.
Figura 21.5: A projecao ortogonal de v no plano .
Assim, da ortogonalidade entre v k1u1 k2u2 e u1, temos0 =
v
k1u1
k2u2, u1
= v, u1 k1u1, u1 k2u2, u1= v, u1 k1 u1, u1 k2 u2, u1= v, u1 k1 u1, u1 ,
ja que u2, u1 = 0, o que nos dak1 u1, u1 = v, u1
k1 =v, u1u1, u1 ,
e, portanto,
Tv = k1u1 + k2u2 =v, u1u1, u1 u1 +
v, u2u2, u2 u2.
23C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
18/133
Projecoes ortogonais 2a Parte
Usando o fato de u1 e u2 serem vetores unitarios, isto e,
u1, u1 = u2, u2 = 1, obtemos
Tv = v, u1 u1 + v, u2 u2.
Portanto, vemos que
Tu1 = u1, u1 u1 + u1, u2 u2 = u1 = 1 u1 + 0 u2 + 0 u3Tu2 = u2, u1 u1 + u2, u2 u2 = u2 = 0 u1 + 1 u2 + 0 u3Tu3 = u3, u1 u1 + u3, u2 u2 = 0 u1 + 0 u2 + 0 u3.
Portanto, a matriz que representa a transformacao T na base e
dada por
[T] =
1 0 00 1 0
0 0 0
,
que e exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canonica, e so fazermos uma
mudanca de base. Se = {e1, e2, e3} e a base canonica de R3, entao
[T] = P [T]P1,
onde P e a matriz mudanca de base. Como P = [u1 u2 u3], isto e, suascolunas sao vetores ortonormais, entao P e uma matriz ortogonal e, portanto,
P1 = Pt. Como nos exemplos 1 e 2, temos as seguintes propriedades:
1. As matrizes [T] e [T] e, portanto, o operador T, nao sao invertveis,
pois det [T] = 0.
2. Como T(u3) = 0 u3, entao 2 = 0 e um autovalor de T com autovetorassociado u3. Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente a reta pela origem ortogonal a .
3. Como T(u1) = 1 u1 e T(u2) = 1 u2, entao 1 = 1 e um autovalor de Tcom autovetores associados u1 e u2. Nao e difcil ver que o auto-espaco
associado a 1 = 1 e exatamente o plano .
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1)2.
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exem-
plo e os dois primeiros. Isso se deve a escolha adequada de uma base orto-normal de R3.
C E D E R J 24
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
19/133
Projecoes ortogonais 2a ParteMO DU LO 3 AU LA 21
Exerccios
1. Determine a matriz da projecao ortogonal sobre o plano-xz com res-
peito a base canonica.
2. Determine a matriz da projecao ortogonal sobre o plano x z = 0 comrespeito a base canonica.
3. Determine a matriz da projecao ortogonal sobre o plano gerado pelos
vetores v1 = (1, 1, 0) e v2 = (1, 1, 1), com respeito a base canonica.
25C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
20/133
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
21/133
Matrizes simetricasMO DU LO 3 AU LA 22
Aula 22 Matrizes simetricas
Objetivos:
Compreender o conceito de matriz simetrica.
Aplicar os conceitos apresentados em exemplos importantes.Pre-requisitos: Aulas 6, 7, 8,
9, 10, 20 e 21
Em muitas aplicacoes da Algebra Linear, as matrizes simetricas apare-
cem com maior frequencia que qualquer outra classe de matrizes importantes.A teoria correspondente a essas matrizes e muito rica e elegante, e depende,
de maneira especial, das teorias de diagonalizacao e ortogonalidade, vistas
em aulas anteriores. Veremos, nesta aula, que a diagonalizacao de uma ma-
triz simetrica e um fundamento essencial e necessario a discussao das formas
quadraticas que estudaremos no proximo modulo.
Lembramos que todas as matrizes e vetores considerados tem somente
elementos e componentes reais. Antes de comecarmos a estudar a teoria
de diagonalizacao de matrizes simetricas, convem lembrarmos de algumas
definicoes que serao essenciais a este conteudo.
Definicao 1
Uma matriz A Mn(R) e simetrica se At = A, onde At representa amatriz transposta de A. Equivalentemente, a matriz A = (aij) e simetrica se
aij = aji para todo i, j.
Observe, primeiramente, que o conceito de matriz simetrica se aplica
apenas a matrizes quadradas. Observe tambem que os elementos da diagonal
principal de uma matriz simetrica A podem assumir valores arbitrarios; no
entanto, elementos simetricos com respeito a diagonal principal tem o mesmo
valor.
Exemplo 1
As duas matrizes a seguir sao simetricas:
A = 2 1
1 3
e B = 4 1 01 2 3
0 3 2 .
27C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
22/133
Matrizes simetricas
No entanto, as matrizes abaixo nao sao simetricas:
C =
2 1 11 3 0
e D =
1 4 14 2 21 2 3
.A matriz C nao e simetrica porque ela nao e matriz quadrada, e a
matriz D nao e simetrica porque d31 = 1 = 1 = d13.
Vamos rever algumas propriedades das matrizes simetricas.
Teorema 1
Sejam A, B Mn(R) matrizes simetricas. Entao A + B e cA, onde c R,tambem sao matrizes simetricas.
Vale observar que o produto de duas matrizes simetricas nao e necessa-
riamente uma matriz simetrica. Por exemplo, dadas as matrizes simetricas
A =
1 2
2 3
e B =
4 5
5 6
temos que a matriz produto
AB = 1 2
2 3 4 5
5 6
= 14 17
23 28
nao e uma matriz simetrica, pois (AB)21 = 23 = 17 = (AB)12.
Vamos rever o processo de diagonalizacao de matrizes, descrito nas
Aulas 6 e 7, agora aplicado a um caso particular de uma matriz simetrica.
Exemplo 2
Diagonalize, caso seja possvel, a matriz A =
6 2 1
2 6
1
1 1 5
.
Solucao
O polinomio caracterstico da matriz A e dado por:
p(x) = det(xI3 A)
=
x 6 2 12 x 6 11 1 x 5
= (x 6) x 6 11 x 5 2 2 11 x 5 + 1 2 1x 6 1 = x3 17x2 + 90x 144 .
C E D E R J 28
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
23/133
Matrizes simetricasMO DU LO 3 AU LA 22
As possveis razes racionais de p(x) sao, obrigatoriamente, divisores de
144. Por inspecao, vemos que 3 e uma raiz e, depois, completando fatoracao
de p(x), descobrimos que 6 e 8 tambem sao razes. Assim,
p(x) = (x 3)(x 6)(x 8).
Assim, os autovalores da matriz A sao 1 = 3, 2 = 6 e 3 = 8. Como
a matriz A possui 3 autovalores distintos, ja podemos concluir que ela e uma
matriz diagonalizavel.
Para o autovalor 1 = 3, temos que os seus autovetores associados,
v = (x,y,z), satisfazem o sistema linear
(3 I3 A)v = 0.
Um calculo rotineiro, como foi visto na Aula 7, mostra que o auto-
espaco V3 e um subespaco de dimensao 1 e e gerado pelo vetor v1 = (1, 1, 1).
Analogamente, o auto-espaco V6, associado ao autovalor 2 = 6, e o su-
bespaco de dimensao 1 gerado pelo vetor v2 = (1, 1, 2), e o auto-espacoV8, associado ao autovalor3 = 8, e o subespaco de dimensao 1 gerado pelo
vetor v3 = (
1, 1, 0). Esses tres vetores, v1, v2 e v3, formam uma base de R
3
e poderiam ser usados para construir uma matriz P que diagonaliza a matriz
A. E facil ver que {v1, v2, v3} e um conjunto ortogonal de R3 e que obtere-mos uma matriz ortogonal P se usarmos uma base ortonormal {u1, u2, u3},obtida de {v1, v2, v3}, normalizando cada um dos vetores v1, v2 e v3. Comoum multiplo nao-nulo de um autovetor tambem e um autovetor, a nova base
{u1, u2, u3} tambem seria uma base de autovetores de R3. Os vetores assimobtidos sao:
u1 = (1/
3, 1/
3, 1/
3);
u2 = (1/
6, 1/
6, 2/
6) e
u3 = (1/2, 1/2, 0).Assim, as matrizes P e D sao dadas por:
P =
1
3 16 12
1
3 16 121
3 2
6 0
e D =
3 0 00 6 0
0 0 8
.
Sabemos, das Aulas 6 e 7, que A = P DP1. Agora, como as colunas de
P formam vetores ortonormais, entao, pelo Teorema 2 da Aula 9, P e umamatriz ortogonal, isto e, P1 = Pt. Assim, temos tambem que A = P DPt.
29C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
24/133
Matrizes simetricas
Vimos, no Exemplo 2, que os autovetores da matriz simetrica A, asso-
ciados a autovalores distintos, sao ortogonais. Isso e uma propriedade geral,
como mostra o proximo teorema.
Teorema 2
Seja A Mn(R) uma matriz simetrica; entao qualquer conjunto de auto-vetores associados a autovalores distintos sao ortogonais.
Demonstracao:
Sejam v1, v2, . . . , vk autovetores da matriz A associados aos autovalores
distintos 1, 2, . . . , k. Assim, dados i = j, e observando que Avi = ivie Avj = jvj, queremos mostrar que vi, vj = 0. Para isto, observamos que
i vi, vj = ivi, vj= Avi, vj= (Avi)
tvj
= (vtiAt)vj
= (vtiA)vj , pois A e simetrica
= vti(Avj)
= vi, Avj= vi, jvj= j vi, vj .
Portanto, (ij) vi, vj = 0. Como ij = 0, segue que vi, vj =0, isto e, os vetores vi e vj sao ortogonais.
O tipo de diagonalizacao que aparece no Exemplo 2 e muito importante
na teoria das matrizes simetricas. Por isso, temos a seguinte definicao.
Definicao 2
Uma matriz A Mn(R) e dita diagonalizavel por matriz ortogonal se
existe uma matriz ortogonal P (lembre, P1
= P
t
) e uma matriz diagonal Dtais que A = P DPt.
Da discussao do Exemplo 2 vimos que, para diagonalizar uma matriz
A Mn(R) utilizando uma matriz ortogonal P, foi preciso encontrar n auto-vetores linearmente independentes e ortogonais. A questao e: quando e que
isso e possvel de ser realizado? O proximo teorema caracteriza o tipo de
matriz que pode ser diagonalizada por matriz ortogonal.
Teorema 3
Uma matriz A Mn(R) e diagonalizavel por matriz ortogonal se e so-mente se A e uma matriz simetrica.
C E D E R J 30
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
25/133
Matrizes simetricasMO DU LO 3 AU LA 22
Demonstracao:
Uma das direcoes e muito simples de ser feita. Suponha que A seja
diagonalizavel por matriz ortogonal, como na Definicao 2; entao
At = (P DPt)t = (Pt)tDtPt = P DPt = A,
onde (Pt)t = P e Dt = D, ja que D e uma matriz diagonal. Assim, con-
clumos que A e uma matriz simetrica.
A recproca e muito mais complicada e sera omitida nestas notas. A
ideia basica desta parte da demonstracao sera apresentada na proxima aula
e envolve um dos teoremas mais importantes da Algebra Linear.
Exemplo 3
Determine se a matriz
A =
3
2 42 6 2
4 2 3
e diagonalizavel por matriz ortogonal e, caso seja, determine uma matriz
ortogonal P e uma matriz diagonal D tal que A = P DPt.
Solucao
Como A e uma matriz simetrica, entao, pelo Teorema 3, ela e diago-
nalizavel por matriz ortogonal. Vamos, agora, realizar o calculo de diagona-
lizacao de A.
Os autovalores da matriz A sao as razes do polinomio caracterstico
p(x) = det(xI3 A)
=
x 3 2 42 x
6
2
4 2 x 3
= x3 12x2 + 21x + 98 .
Observando, por inspecao, que 1 = 2 e uma raiz de p(x), temos que
p(x) = (x + 2) (x2 14x + 49) = (x + 2) (x 7)2.
Assim, os autovalores da matriz A sao 1 = 2, com multiplicidadealgebrica 1, e 2 = 7, com multiplicidade algebrica 2.
31C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
26/133
Matrizes simetricas
Para o autovalor 1 = 2, temos que os autovetores associados,v = (x,y,z), satisfazem o sistema linear
(2 I3 A)v = 0.
Completando os calculos temos, que o auto-espaco V2 e um subespaco
de dimensao 1 e e gerado pelo vetor v1 = (2, 1, 2).Para o autovalor 2 = 7, como ja sabemos que a matriz A e diagona-
lizavel, o auto-espaco V7 tem dimensao igual a 2. O fato interessante e que
podemos construir uma base ortogonal de autovetores para esse subespaco
V7. Os autovetores v = (x,y,z) associados ao autovalor 2 = 7 satisfazem o
sistema linear
(7 I3 A)v = 0.
Usando as tecnicas usuais para a resolucao de sistemas lineares, obte-
mos que:
V7 = {v R3 |Av = 7v }= {v R3 |(7 I3 A)v = 0}= {(x,y,z) R3 |2x + y 2z = 0}.
Para obter uma base ortogonal de V7, observamos facilmente quev2 = (1, 0, 1) V7. O outro vetor v3 = (a,b,c) V7 deve satisfazer2a + b 2c = 0 e ainda ser ortogonal a v2, isto e, v2, v3 = 0, ou seja,a + c = 0. Portanto, v3 = (a,b,c) deve satisfazer o sistema linear
2a + b 2c = 0a + c = 0 .
Completando os calculos, obtemos, por exemplo, v3 = (1, 4, 1). Ob-
serve que, pelo Teorema 2, o autovetor v1 e ortogonal aos autovetores v2e v3, ja que eles correspondem a autovalores distintos da matriz simetrica
A. Assim, {v1, v2, v3} e um conjunto ortogonal de autovetores da matriz A.Normalizando esses vetores, obtemos:
u1 =v1
||v1|| = (2/3, 1/3, 2/3);
u2 =v2
||v2|| = (1
2, 0, 1
2);
u3 =
v3
||v3|| = (1
18, 4
18, 1
18).
C E D E R J 32
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
27/133
Matrizes simetricasMO DU LO 3 AU LA 22
Portanto, {u1, u2, u3} e uma base ortonormal de autovetores de A.Com esses autovetores, obtemos a matriz P e com os autovalores, obtemos a
matriz D:
P =
2/3 1
2 118
1/3 0 4182/3 1
2 1
18
;
D =
2 0 00 7 0
0 0 7
,
de modo que A = P DPt.
Exerccios
1. Mostre que se A e uma matriz simetrica, entao A2 tambem e uma
matriz simetrica.
2. Mostre que se A e uma matriz diagonalizavel por matriz ortogonal
entao A2
tambem e.
3. Determine uma matriz ortogonal P e uma matriz diagonal D tal que
A = P DPt, onde a matriz A e dada por
A =
1 2 0 0
2 1 0 0
0 0 1 20 0 2 1
.
33C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
28/133
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
29/133
O Teorema EspectralMO DU LO 3 AU LA 23
Aula 23 O Teorema Espectral
Objetivos:
Compreender o significado do Teorema Espectral. Compreender a decomposicao espectral de matrizes simetricas. Aplicar os conceitos apresentados em exemplos importantes.
Pre-requisitos: Aulas 5 e 2 2
Nesta aula, continuaremos estudando as matrizes simetricas e fare-
mos uma breve discussao do chamado Teorema Espectral para Matrizes
Simetricas, mencionado na demonstracao do Teorema 3 da aula passada. Osdetalhes da demonstracao desse importante teorema serao omitidos nestas
notas. Uma versao simples do Teorema Espectral e apresentada a seguir.
Teorema 1 (Teorema Espectral para Matrizes Simetricas)
Seja A Mn(R) uma matriz simetrica (isto e, At = A). Entao vale:
1. A matriz A possui n autovalores reais, contando suas multiplicidades.
2. A dimensao do auto-espaco associado a cada autovalor e igual a
multiplicidade de como raiz do polinomio caracterstico de A, isto e,
a multiplicidade geometrica de e igual a sua multiplicidade algebrica.
3. Os auto-espacos sao ortogonais entre si, isto e, os autovetores associados
a autovalores distintos sao ortogonais.
4. A matriz A e diagonalizavel por matriz ortogonal, isto e, existem uma
matriz ortogonal P e uma matriz diagonal D tal que A = P DPt.
Observacoes:
1. Como ja foi observado anteriormente, o polinomio caracterstico de uma
matriz A nao possui necessariamente apenas razes reais. Por exemplo,
dada a matriz
A =
0 11 0
,
seu polinomio caracterstico, dado por p(x) = x2 + 1, nao possui razes
reais. Mas isso nao acontece se A for uma matriz simetrica. O item
1 do Teorema Espectral afirma que o polinomio caracterstico de uma
matriz simetrica possui apenas razes reais. A demonstracao desse fato,embora simples, e bem trabalhosa e utiliza o Teorema Fundamental
da Algebra, que diz que todo polinomio de grau n com coeficientes
35C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
30/133
O Teorema Espectral
reais possui n razes reais ou complexas, contando suas multiplicidades.
Na demonstracao do Teorema Espectral mostra-se que as n razes do
polinomio caracterstico sao, de fato, razes reais.
2. Se A e uma matriz simetrica e tem n autovalores distintos, entao pelo
Teorema 2 da Aula 5 e pelo Teorema 2 da Aula 22, vemos que A e
diagonalizavel por matriz ortogonal.
3. Se A e uma matriz simetrica e tem algum autovalor com multiplicidade
algebrica maior que 1, ainda e verdade que podemos diagonaliza-la. Na
verdade, podemos mostrar que se A e simetrica e tem um autovalor
de multiplicidade k, entao o auto-espaco associado tem dimensao k.
Isto significa que o sistema linear
( In A)v = 0
admite k solucoes linearmente independentes, isto e, a matriz A tem
k autovetores linearmente independentes associados ao autovalor .
Usando o processo de ortogonalizacao de Gram-Schmidt, podemos ob-
ter uma base ortonormal para este auto-espaco. Obtemos assim um
conjunto de k autovetores ortonormais associados ao autovalor . Como
autovetores associados a autovalores distintos sao ortogonais, entao,considerando o conjunto de todos os autovalores de A, obtemos uma
base ortonormal de autovetores para Rn. Consequentemente, A e uma
matriz diagonalizavel, e a matriz diagonalizadora P, formada pela base
de autovetores de A, e uma matriz ortogonal.
Decomposicao espectral de uma matriz simetrica
Seja A Mn(R) uma matriz simetrica e {u1, u2, . . . , un} uma baseortonormal de autovetores associados aos autovalores 1, 2, . . . , n da matriz
A. Seja P a matriz ortogonal tendo esses autovetores como colunas e D a
matriz diagonal tal que A = P DPt. Entao
A = P DPt
= [u1 u2 un]
1 0 00 2 0...
. . ....
0 0 n
[u1 u2 un]t
= [1u1 2u2
nun] [u1 u2
un]t
= 1u1ut1 + 2u2ut2 + nunutn .
Esta representacao e chamada uma decomposicao espectral de A.
C E D E R J 36
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
31/133
O Teorema EspectralMO DU LO 3 AU LA 23
Exemplo 1
Obtenha uma decomposicao espectral da matriz A = 7 22 4
.Solucao
Sendo A uma matriz simetrica, essa decomposicao existe. O polinomio
caracterstico de A e dado por
p(x) = det(xI2 A)= x2 11x + 24= (x 8)(x 3) .
Entao os autovalores sao 1 = 8 e 2 = 3, e ainda podemos obter os
respectivos autovetores u1 = (25, 15) e u2 = (15, 25). Assim,
temos que
A = P DPt7 2
2 4
=
2
5 151
5 2
5
8 0
0 3
2
5 1
5
15 25
Denotando a matriz P = [u1 u2], temos, pela decomposicao espectral,
que:
A = 8u1ut1 + 3u2u
t2.
Para verificar essa decomposicao da matriz A, observe que:
u1ut1 =
2
5
1
5
2
5 2
5
=
4/5 2/5
2/5 1/5
u2ut2 =
152
5
15 25 =
1/5 2/5
2/5 4/5
e, finalmente,
8u1ut1 + 3u2ut2 = 32/5 16/5
16/5 8/5
+ 3/5 6/56/5 12/5 = 7 22 4 = A.
Processo de diagonalizacao de uma matriz simetrica
A Mn(R)1o Passo: Obtenha o polinomio caracterstico da matriz A,
p(x) = det(xIn A).
2o
Passo: Encontre as razes do polinomio caracterstico de A. Elas saotodas reais e existem exatamente n delas, contando suas multiplicidades.
37C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
32/133
O Teorema Espectral
3o Passo: Para cada autovalor da matriz A, de multiplicidade algebrica
k, determine seu auto-espaco associado
V = {v Rn | ( In A)v = 0},
que e um subespaco vetorial de dimensao k. Para cada V assim obtido,
determine uma base ortonormal que consistira de k autovetores. Se desejar,
pode utilizar o processo de ortogonalizacao de Gram-Schmidt. A reuniao
dessas bases determina uma base ortonormal de autovetores para Rn.
4o Passo: Seja P a matriz cujas colunas sao os n autovetores da base or-
tonormal de Rn obtida no terceiro passo. Portanto, P e uma matriz orto-
gonal. Seja D a matriz diagonal cuja diagonal principal e formada pelosn autovalores da matriz A, tomados na mesma ordem de seus autovetores
correspondentes na matriz P. Temos, entao,
A = P DPt.
Exemplo 2
Aplique o processo de diagonalizacao acima a matriz
A =
0 2 22 0 2
2 2 0
e obtenha sua decomposicao espectral.
Solucao
Observe, inicialmente, que A e uma matriz simetrica e, portanto, se
aplica o processo de diagonalizacao acima. Nao e difcil determinar que o
polinomio caracterstico da matriz A e dado por
p(x) = det(xI3 A) = (x + 2)2(x 4),
de modo que os autovalores de A sao:
1 = 2 com multiplicidade algebrica 2, e2 = 4 com multiplicidade algebrica 1.
O auto-espaco associado a 1 = 2 e dado por
V2 = {v R3 | (A + 2 I3)v = 0}= {(x,y,z) R3 |x + y + z = 0}.
C E D E R J 38
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
33/133
O Teorema EspectralMO DU LO 3 AU LA 23
Para escolhermos uma base ortogonal de V2, podemos usar o pro-
cesso de ortogonalizacao de Gram-Schmidt a partir de uma base qualquer de
V2 ou podemos tentar obter diretamente dois vetores ortonormais de V2,como ja foi feito anteriormente. Faremos o calculo diretamente. Da equacao
x + y + z = 0 podemos ver facilmente que v1 = (1, 0, 1) V2. O outrovetor, v2 = (a,b,c) V2, deve satisfazer a + b + c = 0 e ainda ser ortogonala v1, isto e, v2, v1 = 0, ou seja, a c = 0. Portanto, v2 = (a,b,c) devesatisfazer o sistema linear
a + b + c = 0
a c = 0 .
Completando os calculos, obtemos, por exemplo, v2 = (1, 2, 1). Nor-malizando esses dois vetores, obtemos:
u1 =v1
||v1|| = (1
2 , 0 , 12) eu2 =
v2
||v2|| = (1
6 , 26 , 16).Assim, {u1, u2} forma uma base ortonormal do auto-espaco V2.Por outro lado, o auto-espaco associado a 2 = 4 e dado por
V4 = {v R3 | (4 I3 A)v = 0}= {(x,y,z) R3 |x = z e y = z } .
E facil ver que v3 = (1, 1, 1) V4. Normalizando esse vetor, obtemosque
u3 =v3
||v3|| = (1
3 , 1
3 , 1
3)
representa uma base ortonormal do auto-espaco V4. Como A e matriz simetrica,
os autovetores associados a autovalores distintos sao ortogonais e, assim, u3e ortogonal a u1 e u2. Portanto, {u1, u2, u3} e uma base ortonormal de R3formada por autovetores de A. Com esses autovetores obtemos a matriz P,
e com os autovalores obtemos a matriz D:
P = [u1 u2 u3] =
1
2 1
6 1
3
0 26 1312 16 13
;
D = 2 0 00 2 0
0 0 4
,
39C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
34/133
O Teorema Espectral
de modo que A = P DPt. A decomposicao espectral da matriz A e dada por:
A =
2u1u
t1
2u2u
t2 + 4u3u
t3,
ou ainda,
A =2
1/2 0 1/20 0 0
1/2 0 1/2
2
1/6 2/6 1/62/6 4/6 2/6
1/6 2/6 1/6
+ 4
1/3 1/3 1/31/3 1/3 1/3
1/3 1/3 1/3
=
1 0 10 0 0
1 0 1
+
1/3 2/3 1/32/3 4/3 2/3
1/3 2/3 1/3
+
4/3 4/3 4/34/3 4/3 4/3
4/3 4/3 4/3
= 0 2 22 0 2
2 2 0
.
Resumo
E muito importante que voce entenda bem o significado deste Teorema
Espectral. Lembre do que aconteceu em exemplos vistos anteriormente, em
que a matriz considerada nao era simetrica. Estudamos exemplos de ma-
trizes nao-simetricas com autovalores repetidos que eram diagonalizaveis e
outros exemplos de matrizes nao-simetricas que nao eram diagonalizaveis.
Ha algumas diferencas marcantes entre os casos simetrico e nao-simetrico
que tentaremos resumir agora.
Se A for uma matriz nao-simetrica, entao nem todas as razes de seu
polinomio caracterstico precisam ser numeros reais, o que e necessario no
caso de a matriz A ser simetrica. Se A for uma matriz nao-simetrica e todas
as razes de seu polinomio caracterstico forem numeros reais, entao ainda e
possvel que A nao seja diagonalizavel. E o caso em que um autovalor de
multiplicidade algebrica k nao possui k autovetores linearmente independen-tes, isto e, quando o auto-espaco correspondente tem dimensao menor que
k, ou ainda, quando a multiplicidade geometrica do autovalor e menor que
sua multiplicidade algebrica. Agora, quando A e uma matriz simetrica, alem
de todos os autovalores serem reais, sao iguais a multiplicidade algebrica e a
multiplicidade geometrica de cada autovalor.
E, por fim, diferente do que ocorre no caso de matriz simetrica, se a
matriz A e nao-simetrica, entao autovetores associados a autovalores distintos
nao precisam ser ortogonais. Estude e analise, com a ajuda de seu tutor,exemplos ja vistos em aulas anteriores em que ocorrem as diferencas descritas
aqui.
C E D E R J 40
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
35/133
O Teorema EspectralMO DU LO 3 AU LA 23
Exerccios
1. Em cada caso, aplique o processo de diagonalizacao a matriz A, deter-
minando as matrizes ortogonal P e diagonal D tais que A = P DPt.
a) A =
2 2
2 2
b) A =
0 1 11 0 1
1 1 0
c) A =
2 2 0 0
2 2 0 0
0 0 2 2
0 0 2 2
2. Sejam A =
3 1 11 3 1
1 1 3
e v =
11
0
. Verifique que = 5 e um
autovalor de A e que v e um autovetor A. Em seguida obtenha as
matrizes ortogonal P e diagonal D tais que A = P DPt.
41C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
36/133
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
37/133
Operadores auto-adjuntosMO DU LO 3 AU LA 24
Aula 24 Operadores auto-adjuntos
Objetivos:
Compreender o conceito de operador auto-adjunto.
Aplicar os conceitos apresentados em exemplos importantes.Pre-requisitos: Aulas 8 e 20 a
23
Nesta aula vamos definir os operadores lineares T : Rn Rn associ-ados as matrizes simetricas e estudar suas propriedades. Como estaremos
trabalhando sempre com bases ortonormais, e de suma importancia que o
espaco vetorial Rn esteja munido de um produto interno, o qual estaremossempre supondo que seja o produto interno canonico de Rn.
Definicao 3
Um operador linear T : Rn Rn e denominado auto-adjunto se satisfaz
T(u), v = u, T(v) para todo u, v Rn.
O resultado que segue relaciona os operadores auto-adjuntos com as
matrizes simetricas.
Teorema 1
Um operador linear T : Rn Rn e auto-adjunto se e somente se a matrizA, que representa T com respeito a qualquer base ortonormal de Rn, e
uma matriz simetrica.
Demonstracao:
Com respeito a base ortonormal de Rn, temos que T(u) = Au para
todo u Rn. Assim, para todo u, v Rn, temos que
Tu, v = Au, v = (Au)tv = utAtv
e
u, Tv = u, Av = utAv,onde At e a transposta da matriz A. Assim,
T e auto-adjunto T(u), v = u, T(v) para todo u, v Rn Au, v = u, Av para todo u, v Rn utAtv = utAv para todo u, v Rn At = A A e uma matriz simetrica.
43C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
38/133
Operadores auto-adjuntos
E importante salientar que nao existe uma relacao tao simples entre o
operador linear T : Rn Rn e sua representacao matricial A = [T] quandoa base nao for ortonormal (veja a observacao ao final do Exemplo 1).
O Teorema 1 tambem fornece um criterio pratico para determinar se
um dado operador linear T : Rn Rn e auto-adjunto. Basta considerarqualquer base ortonormal de Rn e verificar se a matriz A = [T] e uma
matriz simetrica.
Exemplo 1
Determine se o operador linear
T : R2 R2T(x, y) = (x, 0)
e auto-adjunto.
Solucao
Vimos, no Exemplo 1 da Aula 20, que T e a projecao ortogonal sobre
o eixo-x. Considerando a base canonica = {e1, e2} de R2, vimos que amatriz que representa T nesta base e dada por
A = [T] =
1 00 0
.
Como a base canonica e ortonormal e a matriz A e simetrica, entao,
pelo Teorema 1, o operador T e auto-adjunto.
Vejamos o que acontece quando escolhemos um base de R2 que nao
e ortonormal. Considere a base = {u1, u2} dada por
u1 = (
2
2,
2
2) e u2 = (0, 1).
Esta claro que esta base nao e ortonormal, e ainda temos que
Tu1 = T(
2
2,
2
2) = (
2
2, 0) = 1 u1 + (
2
2) u2Tu2 = T(0, 1) = (0, 0) = 0 u1 + 0 u2.
Da, segue que a matriz que representa T na base e dada por
B = [T] =
1 0
2
2 0
.
Observe que esta matriz nao e simetrica, mas tambem a base nao e orto-normal, o que nao contradiz o Teorema 1.
C E D E R J 44
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
39/133
Operadores auto-adjuntosMO DU LO 3 AU LA 24
Exemplo 2
Considere os operadores lineares
T1 : R2 R2 , T1(x, y) = (x, 2y)
e
T2 : R2 R2 , T2(x, y) = (y, x).
Verifique que T1 e T2 sao operadores auto-adjuntos e verifique se a
composicao T1 T2 tambem e operador auto-adjunto.Solucao
Considerando a base canonica de R2, verificamos que as matrizes A1 eA2 que representam respectivamente, os operadores T1 e T2 nesta base, sao
dadas por
A1 =
1 0
0 2
e A2 =
0 1
1 0
.
Como essas duas matrizes sao matrizes simetricas, conclumos, pelo
Teorema 1, que T1 e T2 sao operadores auto-adjuntos. No entanto, o operador
obtido pela composicao
T1 T2 : R2 R2 , (T1 T2)(x, y) = (y, 2x)
e representado, na base canonica, pela matriz
B =
0 2
1 0
,
que nao e uma matriz simetrica. Assim, outra vez pelo Teorema 1, a com-
posicao T1 T2 nao e um operador auto-adjunto. Da, conclumos que a com-posicao de operadores auto-adjuntos nao e, necessariamente, auto-adjunto.
O proximo teorema segue imediatamente dos resultados sobre matrizes
simetricas estudados nas Aulas 22 e 23.
Teorema 2
Seja T : Rn Rn um operador auto-adjunto. Entao
1. Autovetores correspondentes a autovalores distintos de T sao ortogo-
nais, isto e, se v1, v2, . . . , vk sao k autovetores associados aos autova-
lores distintos 1, 2, . . . , k, entao v1, v2, . . . , vk sao ortogonais.
2. O operador T possui n autovalores reais, contando suas multiplicidades.
45C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
40/133
Operadores auto-adjuntos
3. A dimensao do auto-espaco associado a cada autovalor e igual a mul-
tiplicidade de como raiz do polinomio caracterstico de T, isto e, a
multiplicidade geometrica de cada autovalor e igual a sua multiplici-dade algebrica.
4. Os auto-espacos de T sao ortogonais entre si.
5. Existe uma base ortonormal {u1, u2, . . . , un} de Rn formada por auto-vetores de T.
A ultima afirmacao do Teorema 2 tambem e conhecida como Teorema
Espectral para Operadores Auto-Adjuntos Reais e diz, simplesmente, queestes operadores sao diagonalizaveis.
Exemplo 3
Seja T : R3 R3 dado por
T(x,y,z) = (3x, 2y + z, y + 2z).
a) Verifique que T e um operador auto-adjunto.
b) Determine os autovalores e os autovetores de T e verifique que T e
diagonalizavel.
Solucao
a) Considerando a base canonica {e1, e2, e3} de R3, temos que
Te1 = T(1, 0, 0) = (3, 0, 0),
Te2 = T(0, 1, 0) = (0, 2, 1),
Te3 = T(0, 0, 1) = (0, 1, 2).
Assim, a matriz que representa o operador linear T na base canonica e
dada por
A =
3 0 0
0 2 1
0 1 2
.
Observando que A e uma matriz simetrica, temos, pelo Teorema 1, que T eum operador auto-adjunto.
C E D E R J 46
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
41/133
Operadores auto-adjuntosMO DU LO 3 AU LA 24
b) O polinomio caracterstico do operador T e dado por
p(x) = det(xI3
A)
=
x 3 0 0
0 x 2 10 1 x 2
= (x 3)2(x 1) .
Assim, os autovalores de T sao 1 = 3, com multiplicidade algebrica 2,
e 2 = 1 com multiplicidade algebrica 1. Nao e difcil obter que o auto-espaco
V3, associado a 1 = 3, e dado por
V3 = {v R3 |Tv = 3v}= {(x,y,z) R3 |y = z e x arbitrario} .
Portanto, uma base ortonormal de V3 e dada por
u1 = (1, 0, 0) e u2 = (0, 1
2, 1
2).
Analogamente, o auto-espaco V1, associado a 2 = 1, e dado por
V1 = {v R3 | Tv = v}= {(x,y,z) R3 | x = 0 e y = z} ,
e uma base ortonormal de V1 e dada pelo vetor u3 = (0, 1
2, 12).Consequentemente, = {u1, u2, u3} e uma base ortonormal de R3 formadapor autovetores de T e, nesta base, T e representado pela matriz diagonal
B = [T] =
3 0 0
0 3 0
0 0 1
.
Portanto, T e um operador diagonalizavel.
Exemplo 4
Determine valores de a, b R de modo que o operador T : R3 R3,definido por
T(x,y,z) = (x + 2ay + 2z, 4x 5y bz, 2x 4y + z),
seja auto-adjunto. Determine, tambem, uma base ortonormal de R3 formadapor autovetores de T e a matriz que representa T nesta base.
47C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
42/133
Operadores auto-adjuntos
Solucao
Considerando a base canonica {e1, e2, e3} de R3, temos que
Te1 = T(1, 0, 0) = (1, 4, 2) = 1 e1 + 4 e2 + 2 e3,Te2 = T(0, 1, 0) = (2a, 5, 4) = 2a e1 + (5) e2 + (4) e3,Te3 = T(0, 0, 1) = (2, b, 1) = 2 e1 + (b) e2 + 1 e3.
Assim, a matriz que representa o operador linear T na base canonica e
dada por
A =
1 2a 2
4 5 b2 4 1
.
Para que T seja um operador auto-adjunto e necessario que a matriz A
seja simetrica, isto e, que At = A. Para isso, e preciso que 2a = 4 e b = 4,ou seja, que
a = 2 e b = 4.
Assim, obtemos a matriz simetrica
A = 1 4 24 5 4
2 4 1
,
garantindo que o operador T e auto-adjunto. Nao e difcil verificar que o
polinomio caracterstico de T e dado por
p(x) = det(xI3 A)= (x + 9)(x 3)2 .
Os auto-espacos correspondentes sao dados por
V9 = {v R3 | Tv = 9v}= {(x,y,z) R3 | x = z e y = 2z} ,
eV3 = {v R3 | Tv = 3v}
= {(x,y,z) R3 | x + 2y + z = 0} .
Uma base ortonormal de V9 e dada pelo vetor u1 = (1
6, 2
6,
16), enquanto uma base ortonormal de V3 e dada pelos vetoresu2 = (1
2, 0, 1
2) e u3 = (1
3, 1
3, 1
3). Consequentemente,
C E D E R J 48
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
43/133
Operadores auto-adjuntosMO DU LO 3 AU LA 24
= {u1, u2, u3} e uma base ortonormal de R3 formada por autovetoresde T e, nessa base ordenada, T e representado pela matriz diagonal
B = [T] =
9 0 00 3 0
0 0 3
.
Observe que T e um operador diagonalizavel.
Exemplo 5
Dados os vetores u = (4, 4, 2), v = (4, 2, 4) e w = (1, 2, 2), sejaT : R3 R3 o operador linear dado por
Tu = (10 , 2 , 2), Tv = (2, 10, 2) e Tw = (1, 1, 5).
Verifique que T e um operador auto-adjunto.
Solucao
E facil ver que T e uma base ortogonal, pois
u, v = 4 4 + 4 (2) + (2) 4 = 0 ;u, w = 4 1 + 4 (2) + (2) (2) = 0 ;v, w = 4 1 + (2) (2) + 4 (2) = 0 .
Assim, os vetores normalizados
u1 =u
||u|| = (2/3 , 2/3 , 1/3),u2 =
v
||v||= (2/3 ,
1/3 , 2/3) e
u3 =w
||w|| = (1/3 , 2/3 , 2/3)
formam uma base ortonormal de R3. Como ||u|| = ||v|| = 6 e ||w|| = 3,temos
T(u1) = T
u
||u||
= T
1
6||u||
=
1
6T(u) =
1
6(10, 2, 2) = (5/3, 1/3, 1/3);
T(u2) = Tv
||v
||= T
1
6||v||
=
1
6T(v) =
1
6(2, 10, 2) = (1/3, 5/3, 1/3);
T(u3) = T
w
||w||
= T
1
3||w||
=
1
3T(w) =
1
3(1, 1, 5) = (1/3, 1/3, 5/3).
49C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
44/133
Operadores auto-adjuntos
Agora, nao e difcil ver que os vetores T(u1), T(u2) e T(u3) se expressam
em funcao da base = {u1, u2, u3} como:
T(u1) = (5/3, 1/3, 1/3) = 1 u1 + 1 u2 + 1 u3;T(u2) = (1/3, 5/3, 1/3) = 1 u1 + (1) u2 + (1) u3;T(u3) = (1/3, 1/3, 5/3) = 1 u1 + (1) u2 + 1 u3.
Portanto, a matriz que representa o operador T com respeito a base
ortonormal {u1, u2, u3} e dada por
B = [T] =
1 1 1
1
1
1
1 1 1
.
Como B e uma matriz simetrica, conclumos, pelo Teorema 1, que o
operador T e auto-adjunto. Observe que neste exemplo usamos uma base
ortonormal que nao e a base canonica nem e uma base de autovetores.
Auto-avaliacao:
E de suma importancia que voce reveja e entenda muito bem a relacao
que existe entre as matrizes simetricas, estudadas nas aulas anteriores, e os
operadores auto-adjuntos vistos nesta aula. Compare os conceitos e estude
os exemplos. Em caso de duvidas nao hesite em consultar o seu tutor.
Exerccios
1. Verifique que o operador T : R3 R3, dado por
T(x,y,z) = (2x + y + z, x + 2y
z, x
y + 2z),
e auto-adjunto.
2. Determine uma base ortonormal de autovetores do operador T dado no
exerccio anterior.
C E D E R J 50
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
45/133
Formas bilinearesMO DU LO 3 AU LA 25
Aula 25 Formas bilineares
Objetivos:
Compreender o conceito de forma bilinear.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisito: Aula 22.
Nesta aula vamos introduzir um conceito que generaliza a nocao de
aplicacao linear num espaco vetorial. Mais especificamente, vamos desenvol-ver o conceito de forma bilinear, que da origem as formas quadraticas que
serao estudadas na proxima aula. Veremos a definicao de formas bilineares e
estudaremos algumas de suas propriedades, principalmente sua relacao com
as matrizes, o que constitui o aspecto mais importante para fins praticos.
Definicao 4
Seja V um espaco vetorial real. Uma forma bilinear em V e uma apli-
cacao
B : V V R(u , v) B(u , v)
que e linear em cada uma das duas variaveis u e v, isto e, que satisfaz:
i) para todo u , v , w V e a R,B(u + w, v) = B(u , v) + B(w, v)
B(a u , v) = a B(u , v);
ii) para todo u , v , w
V e a
R,
B(u , w + v) = B(u , w) + B(u , v)
B(u , a v) = a B(u , v).
Exemplo 1
Seja F o produto escalar em Rn, isto e, dados u = (u1 , u2 , . . . , un),
v = (v1 , v2 , . . . , vn) Rn, considere a aplicacaoF : V V R
(u , v) F(u , v) = u1v1 + u2v2 + + unvn .Verifique que F e uma forma bilinear em Rn.
51C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
46/133
Formas bilineares
Solucao
De fato, considerando outro vetor w = (w1 , w2 , . . . , wn) Rn ea R, temos que
F(u + a w, v) = B((u1 + aw1, u2 + aw2 , . . . , un + awn) , (v1 , v2 , . . . , vn))
= (u1 + aw1)v1 + (u2 + aw2)v2 + + (un + awn)vn= (u1v1 + u2v2 + + unvn) + a (w1v1 + w2v2 + + wnvn)= F(u , v) + a F(w, v) ,
o que mostra que F(u , v) e uma transformacao linear na primeira variavel
u. Um argumento analogo, deixado a cargo do aluno, mostra que F(u , v)
tambem e uma transformacao linear na segunda variavel v. Assim, podemos
concluir que F(u , v) e uma aplicacao bilinear de Rn.
Exemplo 2
Seja a matriz
A =
2 0 04 2 0
0 0 3
.
Mostre que podemos associar a matriz A uma forma bilinear B : R3
R3
R dada por
B((x1, x2, x3), (y1, y2, y3)) = (x1 x2 x3)
2 0 04 2 0
0 0 3
y1y
2
y3
= 2 x1y1 + 4 x2y1 + 2 x2y2 + 3 x3y3 .
Solucao
Observe que para todo par de vetores u , v R3
u =
x1x2x3
e v = y1y2
y3
,podemos reescrever
B(u , v) = utA v,
onde ut e a matriz transposta de u. Assim, a bilinearidade da aplicacao
B(u, v) decorre facilmente das propriedades do produto e da soma de
matrizes.Este exemplo e facilmente generalizado.
C E D E R J 52
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
47/133
Formas bilinearesMO DU LO 3 AU LA 25
Teorema 1
Seja A = (aij) Mn(R), isto e, uma matriz de ordem n. Podemos
associar a matriz A uma forma bilinear F : R
n
Rn
R dada porF(u , v) = utA v,
onde u , v Rn.Observe que, reescrevendo os vetores u e v na forma
u =
x1
x2...xn
e v =
y1
y2...yn
,
entao
F(u , v) = utA v
= (x1 x2 xn)
a11 a12 a1na21 a22 a2n...
.... . .
...
an1 an2
ann
y1
y2
...
yn
= a11x1y1 + a12x1y2 + + annxnyn=
ni, j=1
aijxiyj .
Seja V um espaco vetorial real, F : V V R uma forma bilinear em V, e = {e1, e2, . . . , en} uma base de V. Sejam u , v V com
u = u1e1 + u2e2 + + unen
ev = v1e1 + v2e2 + + vnen.
Entao,
F(u , v) = F(u1e1 + u2e2 + + unen, v1e1 + v2e2 + + vnen)= u1v1F(e1, e1) + u1v2F(e1, e2) + + unvnF(en, en)=
ni, j=1
uivjF(ei, ej) .
Assim, a forma bilinear F fica completamente determinada pela n2
valoresF(vi, vj).
53C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
48/133
Formas bilineares
Definicao 5
A matriz A = (aij), com aij = F(ei, ej), e chamada de representacao
matricial da forma bilinear F com relacao a base , ou, simplesmente, dematriz de F com relacao a .
Esta matriz representa F no sentido que
F(u , v) =n
i, j=1
uivjF(ei, ej) = [u]tA [v]
para todo par de vetores u , v V. Como de costume, [u] denota o vetordas coordenadas de u com respeito a base .
Exemplo 3Seja a forma bilinear F : R2 R2 R dada porF(u , v) = F((x1, x2), (y1, y2)) = x1y1 x1y2 + 3 x2y1 5 x2y2,
para todo u = (x1, x2) , v = (y1, y2) R2. Considere = {e1, e2} abase canonica de R2 e = {(1 , 0) , (1 , 1)} outra base de R2. Determinea matriz de F com respeito a essas bases.
Solucao
Primeiramente, facamos o calculo da matriz de F com respeito abase canonica:
F(e1, e1) = F((1 , 0), (1 , 0)) = 1
F(e1, e2) = F((1 , 0), (0 , 1)) = 1;F(e2, e1) = F((0 , 1), (1 , 0)) = 3;
F(e2, e2) = F((0 , 1), (0 , 1)) = 5.Portanto, temos que a matriz de F na base canonica e
A = 1
1
3 5 .Para a matriz de F na base , temos
F((1 , 0), (1 , 0)) = 1;
F((1 , 0), (1 , 1)) = 0;
F((1 , 1), (1 , 0)) = 4;
F((1 , 1), (1 , 1)) = 2.Portanto, temos que a matriz de F na base = {(1 , 0) , (1 , 1)} e
B =
1 04 2
.
C E D E R J 54
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
49/133
Formas bilinearesMO DU LO 3 AU LA 25
Um problema interessante e saber qual a relacao entre as matrizes A e
B que representam uma mesma forma bilinear F em duas bases e ,
respectivamente.No caso do exemplo anterior, se P representa a matriz mudanca de
base, da base para a base , temos
P =
1 1
0 1
.
Da,
B =
1 0
4
2
=
1 0
1 1
1 13
5
1 1
0 1
= PtA P .
De um modo geral, temos o seguinte teorema:
Teorema 2
Seja F uma forma bilinear de um espaco vetorial V. Se A e a matriz
de F numa base e B e matriz de F numa base de V, entao
B = PtA P,
onde P e a matriz mudanca de base, da base para a base .
Definicao 6
Uma forma bilinear F no espaco vetorial V e denominada simetrica se
F(u , v) = F(v , u)
para todo par de vetores u , v V.Teorema 3
Seja F uma forma bilinear no espaco vetorial V e A a matriz que
representa F numa base de V. Entao F e uma forma bilinear simetrica se
e somente se A e uma matriz simetrica.
Demonstracao:
Por F ser uma forma bilinear em V, temos que
F(u , v) = utA v
= (utA v)t, pois utA v e um escalar= vtAtu .
55C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
50/133
Formas bilineares
Se, ainda, F for uma forma bilinear simetrica, entao
vtAtu = F(u , v) = F(v , u) = vtA u
para todo u , v V. Portanto, temos
At = A,
isto e, a matriz A e simetrica.
Reciprocamente, se A e uma matriz simetrica (isto e, At = A), entao a
forma bilinear F tambem e simetrica, pois
F(u , v) = ut
A v= (utA v)t, pois utA v e um escalar
= vtAtu
= vtA u , pois At = A
= F(v , u)
para todo par de vetores u , v V.
Auto-avaliacao
Voce deve ter compreendido que o conceito de forma bilinear e
uma generalizacao do conceito de transformacao linear ja bastante estu-
dado. E de extrema importancia rever todos os conceitos e tentar resolver os
exerccios propostos. Caso surjam dificuldades, consulte as notas de aula ou
peca a juda ao seu tutor. Os conceitos desta aula ainda serao bastante utili-
zados. Por isso, nao deixe de fazer uma boa revisao de matrizes simetricas.
Exerccios
1. Seja A Mn(R). Verifique que a aplicacao F : RnRn R, definidapor F(u , v) = utA v e uma forma bilinear.
2. Seja F : R3 R3 R, definida por F(u , v) = u , v, o produtoescalar em R3.
(a) Determine a matriz A que representa a forma bilinear F com
respeito a base canonica R3.
(b) Determine a matriz B que representa a forma bilinear F comrespeito a base = {(1 , 1 , 0) , (1 , 0 , 1) , (0 , 2 , 1)}.
C E D E R J 56
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
51/133
Formas bilinearesMO DU LO 3 AU LA 25
3. Seja a forma bilinear F : R2 R2 R definida por
F(u , v) = F((x1, x2), (y1, y2)) = 2 x1y1 3 x1y2 + x2y2,para todo u = (x1, x2) , v = (y1, y2) R2.
a) Determine a matriz A que representa F com respeito a base =
{(1 , 0) , (1 , 1)}.
b) Determine a matriz B que representa F com respeito a base =
{(2 , 1) , (1 , 1)}.
c) Determine a matriz mudanca de base P, da base para a base , everifique que B = PtA P.
57C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
52/133
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
53/133
Formas quadraticasMO DU LO 3 AU LA 26
Aula 26 Formas quadraticas
Objetivos:
Compreender o conceito de forma quadratica.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisitos: Aulas 22 e 25.
As formas bilineares, vistas na aula anterior, dao origem as formas
quadraticas que serao estudadas nesta aula. As formas quadraticas ocorremcom grande destaque em aplicacoes da Algebra Linear a Engenharia, como
em criterios para projetos, em problemas de otimizacao e em processamento
de sinais. Elas tambem ocorrem na Fsica, em descricoes de energia potencial
e energia cinetica; em Economia, nas funcoes de utilidade; e, tambem, em
Estatstica. Em todas essas situacoes e muito importante o conhecimento do
sinal (positivo ou negativo) que a forma quadratica pode assumir, assim como
o conhecimento de seus autovalores associados. Uma parte muito importante
da base matematica para o estudo das formas quadraticas segue facilmente
do nosso estudo previo sobre matrizes simetricas.
Definicao 7
Seja V um espaco vetorial real. Uma aplicacao q : V R e chamada de forma quadratica se existe uma forma bilinear simetrica F : V V R talque q(v) = F(v , v) para todo v V.
Seja A a matriz que representa a forma bilinear F na base V.Dizemos que matriz A e a representacao matricial da forma quadratica q
com espeito a essa mesma base
V. Como a forma bilinear F e simetrica,
entao, pelo Teorema 3 da Aula 25, a matriz A e uma matriz simetrica. Comrespeito a base , denotamos A = (aij) e v = (x1, x2, . . . , xn) V; entao
q(v) = F(v , v)
= vtA v
= (x1 x2 xn)
a11 a12 a1na21 a22 a2n...
.... . .
...
an1 an2
ann
x1
x2...
xn
=n
i, j=1
aijxixj.
59C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
54/133
Formas quadraticas
E agora, sendo A simetrica, vale que aij = aji. Portanto,
q(v) =
ni, j=1
aijxixj = a11x2
1 + a22x2
2 + + annx2
n + 2
ni
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
55/133
Formas quadraticasMO DU LO 3 AU LA 26
Observe que q e a forma quadratica associada a forma bilinear
F(u , v) = (x1 x2) 1 55 1 y1y2
= x1y1 5x2y1 5x1y2 + x2y2 ,
onde u = (x1, x2) , v = (y1, y2) R2, com respeito a base canonica.
Exemplo 2
Seja q : R3 R a forma quadratica dada por
q(v) = q(x1, x2, x3) = 5 x2
1 + 3 x2
2 + 2 x2
3 x1x2 + 8 x2x3 ,onde v = (x1, x2, x3) R3. Determinar a matriz A que representa a formaquadratica q com respeito a base canonica e expresse a forma quadratica na
forma matricial q(v) = vtA v.
Solucao
Os coeficientes de x21, x22 e x
23 formam a diagonal principal da matriz
A, como indica a equacao (6). Como A e matriz simetrica, o coeficiente de
xixj, para i = j, e a soma dos coeficientes iguais aij = aji, como indica outravez a equacao (6). Portanto,
aij = aji =1
2 (coeficiente de xixj).
Assim, e facil ver que
A =
5 1/2 0
1/2 3 40 4 2
.
E, finalmente,
q(x1, x2, x3) = (x1 x2 x3)
5 1/2 01/2 3 4
0 4 2
x1x2
x3
.
Queremos agora estudar o efeito de uma mudanca de base sobre uma
forma quadratica. Assim, sejam q : V R uma forma quadratica e e duas bases do espaco vetorial V. Seja P a matriz mudanca de base da base para a base . Se A e a matriz que representa a forma quadratica q na
61C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
56/133
Formas quadraticas
base e B e a matriz de q na base , entao, pelo Teorema 2 da Aula 25,
sabemos que
B = PtA P.
Observe que, se P e a matriz ortogonal que diagonaliza a matriz A,
entao B = PtA P = P1A P e uma matriz diagonal. Nesse caso, a ma-
triz P tambem e chamada mudanca de variaveis. Usaremos esses fatos no
proximo exemplo.
Exemplo 3
Determine uma mudanca de variavel P que transforma a forma quadratica
q : R2 R, dada por
q(x1, x2) = x21 8x1x2 5x22
na base canonica, em uma forma diagonal. Obtenha, tambem, a expressao
dessa forma diagonal.
Solucao
Observando os coeficientes de q, vemos que a matriz A que representa
q na base canonica e dada por
A =
1 4
4 5
.
Diagonalizar a forma quadratica q e equivalente a diagonalizar a matriz
simetrica A. Usando os procedimentos ja conhecidos sobre diagonalizacao de
matrizes simetricas, os autovalores da matriz A sao 1 = 3 e 2 = 7.A matriz P sera obtida a partir de uma base ortonormal de autovetores.
Efetuando os calculos, que e um exerccio para voce, obtemos
u1 =
2
5
15
, autovetor associado ao autovalor 1 = 3, e
u2 =
1
5
2
5
, autovetor associado ao autovalor2 = 7.
Como {u1, u2} forma uma base ortonormal de R2, entao
P = [u1 u2] =
25 15
15 25
,
C E D E R J 62
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
57/133
Formas quadraticasMO DU LO 3 AU LA 26
e a matriz diagonal correspondente sera
D = 3 0
0 7 ,onde D = PtA P.
A forma diagonal de q e dada por
q(y1, y2) = (y1 y2)
3 0
0 7
y1
y2
= 3y21 7y22 ,
onde
v =
x1
x2
e w =
y1
y2
,
e
v = Pw, ou w = Ptv
e a mudanca de variaveis.
Veja que
q(v) = q(x1 , x2) = x21
8x1x2
5x22
= (x1 x2)
1 4
4 5
x1x2
= vtA v
= (Pw)tA (Pw)
= wt(PtAP)w
= wtD w
= (y1 y2)
3 0
0 7
y1
y2
= 3y21 7y22
= q(y1, y2) = q(w) .
63C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
58/133
Formas quadraticas
Observe que a forma diagonal
q(y1, y2) = 3y
2
1 7y2
2
nao contem o termo cruzado y1y2.
Este exemplo anterior ilustra o teorema a seguir. A parte essencial de
sua demonstracao foi apresentada nos calculos do Exemplo 3 e consiste na
mudanca de variaveis efetuada.
Teorema 1 (Teorema dos Eixos Principais)
Seja q : V R uma forma quadratica. Entao, sempre existe umamudanca de variaveis P que transforma a forma quadratica q(v) = vtA v na
forma diagonal q(w) = wtD w, onde v = Pw e D = PtA P.
O nome Teorema dos Eixos Principais segue do fato de que as colunas
de P sao chamadas eixos principais da forma quadratica q. Uma inter-
pretacao geometrica deste teorema sera vista nas proximas aulas, mais pre-
cisamente no estudo da classificacao de curvas conicas e na classificacao de
superfcies quadricas.
Exemplo 4
Determine uma mudanca de variavel P que transforme a forma quadratica
q : R3 R, dada por
q(x1, x2, x3) = 3x21 + 2x
22 + x
23 + 4x1x2 + 4x2x3
na base canonica, em uma forma diagonal. Obtenha tambem a expressao
dessa forma diagonal.
Solucao
Observando os coeficientes de q, vemos que a matriz A que representa
q na base canonica e dada por
A =
3 2 02 2 2
0 2 1
.
Procedendo a diagonalizacao da matriz simetrica A, deixamos os deta-
lhes dos calculos como um exerccio para voce, obtemos os autovalores 1 = 5,
2 = 2 e 3 = 1. A matriz mudanca de variavel P sera obtida a partir deuma base ortonormal de autovetores. Efetuando os calculos, obtemos:
C E D E R J 64
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
59/133
Formas quadraticasMO DU LO 3 AU LA 26
u1 =
2/3
2/3
1/3
autovetor associado ao autovalor 1 = 5;
u2 =
2/31/3
2/3
autovetor associado ao autovalor2 = 2;
u3 =
1/32/3
2/3
autovetor associado ao autovalor3 = 1.
Como {u1, u2, u3} forma uma base ortonormal de R3, entao
P = [u1 u2 u3] =
2/3 2/3 1/32/3 1/3 2/31/3 2/3 2/3
e uma matriz ortogonal e a matriz diagonal correspondente sera
D =
5 0 00 2 0
0 0 1
,
onde D = P
t
A P.A forma diagonal de q e dada por
q(y1, y2, y3) = (y1 y2 y3)
5 0 00 2 0
0 0 1
y1y2
y3
= 5y21 + 2y22 y23 ,
onde
v =
x1x2
e w =
y1y2
,
e
v = Pw, ou w = Ptv
e a mudanca de variaveis requerida.
Observe, mais uma vez, que a forma diagonal
q(y1, y2, y3) = 5y21 + 2y
22 y23
nao contem os termos cruzados y1y2, y1y3 e y2y3, isto e, os termos yiyjcom i = j.
65C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
60/133
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
61/133
ConicasMO DU LO 3 AU LA 27
Aula 27 Conicas
Objetivos:
Compreender o conceito de conica.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisitos: Aulas 22, 25 e 26.
Nesta aula estudaremos algumas figuras importantes do R2, ou seja,
determinados conjuntos de pontos do plano cujas coordenadas satisfazem
certas propriedades. Mais precisamente, consideraremos subconjuntos de R2
cujas coordenadas (x, y) satisfazem uma equacao do tipo
ax2 + bxy + cy2 + dx + ey + f = 0,
onde a, b, c, d, e e f sao constantes reais (com pelo menos um dos numeros
a, b ou c diferente de zero). A ideia toda e simplificar e classificar equacoes
desse tipo e, para isso, usaremos os resultados sobre diagonalizacao de formas
quadraticas apresentados na aula anterior.
Definicao 8Uma conica e um conjunto de pontos do R2 cujas coordenadas (x, y),
em relacao a base canonica, satisfazem uma equacao do tipo
ax2 + bxy + cy2 + dx + ey + f = 0, (2)
onde os coeficientes a, b, c, d, e e f sao numeros reais e pelo menos um dos
numeros a, b ou c e nao-nulo.
Observe que a equacao (6) contem uma forma quadratica,
q(x , y) = ax2 + bxy + cy2,
uma forma linear,
(x, y) = dx + ey,
e o termo constante f.
Exemplo 1
Identifique o conjunto dos pontos (x , y)
R2 que satisfazem a equacao
x2 + y2 4 = 0.
67C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
62/133
Conicas
Solucao
Comparando a equacao
x2 + y2 4 = 0com a equacao (6), vemos que o valor dos coeficientes s ao a = c = 1, b =
d = e = 0 e f = 4, e, portanto, representa uma conica. Reescrevendo aequacao na forma
x2 + y2 = 4,
identificamos os pontos (x, y) como pertencendo a circunferencia de centro
(0, 0) e raio 2, como ilustra a Figura 27.1.
Figura 27.1: A circunferencia x2 + y2 = 4.
Exemplo 2
Identifique o conjunto dos pontos (x , y) R2 que satisfazem a equacaoy2 kx = 0,
onde k e um numero real nao-nulo.
Solucao
Comparando a equacao
y2 kx = 0com a equacao (6), vemos que o valor dos coeficientes s ao c = 1, a = b =
e = f = 0 e d = k = 0, e, portanto, representa uma conica. Reescrevendoa equacao na forma
y2 = kx,
identificamos os pontos (x, y) como pertencendo a uma parabola com eixocoincidindo com o eixo-y, como ilustra a Figura 27.2.
C E D E R J 68
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
63/133
ConicasMO DU LO 3 AU LA 27
Figura 27.2: A parabola y2 = kx.
Exemplo 3Identifique o conjunto dos pontos (x , y) R2 que satisfazem a equacao
x2
a2 y
2
b2= 0,
com a , b R, a , b > 0.
Solucao
Comparando a equacao
x2
a2 y
2
b2= 0
com a equacao (6), vemos que ela tambem representa uma conica. Reescre-
vendo a equacao na formay2
b2=
x2
a2,
temos
y = ba
x,
o que representa um par de retas concorrentes que passa pela origem, comoilustra a Figura 27.3.
Figura 27.3: As retas y = ba
x.
69C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
64/133
Conicas
Os proximos exemplos mostram como procedemos para simplificar uma
equacao de uma conica.
Exemplo 4
Identifique a conica representada pela equacao 5x2 4xy +8y2 36 = 0.
Solucao
Precisamos, inicialmente, eliminar o termo misto (4xy); para isto,realizamos diagonalizacao da forma quadratica correspondente,
q(x , y) = 5x2 4xy + 8y2.
Escrevemos a equacao 5x2 4xy + 8y2 36 = 0 na forma matricial
vtA v = 36,
com
v =
x
y
R2 e A =
5 2
2 8
.
Lembre, da Aula 26, que a matriz A e a matriz simetrica que representa
a forma quadratica q(x , y) = 5x2 4xy + 8y2 com respeito a base canonica.Nao e difcil ver que os autovalores da matriz A sao 1 = 4 e 2 = 9, e os
autovetores normalizados sao
u1 =
2
5
1
5
, autovetor associado ao autovalor 1 = 4
e
u2 = 1
5
25 , autovetor associado ao autovalor 2 = 9.
Como {u1, u2} forma uma base ortonormal de R2, entao
P = [u1 u2] =
2
5 151
5 2
5
e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente sera
D = 4 0
0 9 .
Temos que D = PtA P.
C E D E R J 70
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
65/133
ConicasMO DU LO 3 AU LA 27
A forma diagonal de q e dada por
q(x1, y1) = (x1 y1)
4 00 9
x1y1
= 4x21 + 9y21 ,
onde
v =
x
y
e v1 =
x1
y1
,
com
v = Pv1, ou v1 = Ptv.
Portanto, a equacao da conica pode ser reescrita como
q(x1, y1) = 36,
ou ainda,
4x21 + 9y21 = 36,
o que nos da a equacao
x219
+y214
= 1,
que representa uma elipse de semi-eixo maior 3 e semi-eixo menor 2, como
ilustra a Figura 27.4.
x
y
03
2
2
3
Figura 27.4: A elipse
x21
9 +
y21
4 = 1.
71C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
66/133
Conicas
Exemplo 5
Identifique a conica representada pela equacao 2x2 +4xy +2y2 +4
2 x+
122 y 8 = 0.
Solucao
Observe que neste exemplo a forma linear (x, y) = dx + ey = 4
2 x +
12
2 y e nao-nula. Reescrevendo a conica na forma matricial, obtemos
vtA v + Bv 8 = 0, (3)
onde
v =
xy
R2,A =
5 2
2 8
e
B = (4
2 12
2 ).
A matriz A e a matriz simetrica que representa a forma quadratica q(x , y) =
2x2 +4xy +2y2 com respeito a base canonica. Nao e difcil ver (exerccio para
o aluno) que os autovalores da matriz A sao 1 = 4 e 2 = 0, e os autovetores
normalizados sao
u1 =
1
2
1
2
, autovetor associado ao autovalor 1 = 4,
e
u2 = 1
2
12 , autovetor associado ao autovalor 2 = 0.Como {u1, u2} forma uma base ortonormal de R2, entao
P = [u1 u2] =
1
2 121
2 1
2
,
e a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal corres-
pondente sera
D = 4 0
0 0 .
E, tambem, D = PtA P.
C E D E R J 72
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
67/133
ConicasMO DU LO 3 AU LA 27
A forma diagonal de q e dada por
q(x1, y1) = (x1 y1) 4 0
0 0 x1
y1
= 4x21 ,
isto e,
vtA v = 4x21,
onde
v =
x
y
e v1 =
x1
y1
,
com
v = Pv1, ou v1 = Ptv.
Como det(P) = 1, observe que v = Pv1 e uma rotacao. A forma linear
se transforma em
Bv = B(Pv1)
= BPv1
= (42 122 ) 1
2
12
12 12 x1y1
= (16 8 )
x1
y1
= 16x1 + 8y1 .
Substituindo
vtA v = 4x21 e Bv = 16x1 + 8y1
em (7), obtemos
4x21 + 16x1 + 8y1 8 = 0, (4)ou, simplificando,
x21 + 4x1 + 2y1 2 = 0.Completando o quadrado na variavel x1,
x21 + 4x1 = (x1 + 2)2 4.
E, substituindo em (8), obtemos
(x1 + 2)2 4 + 2y1 2 = 0,
73C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
68/133
Conicas
ou
(x1 + 2)2 + 2(y1 3) = 0. (5)
Essa equacao ja e uma forma bem mais simples da conica inicial e ja se
pode identificar a equacao de uma parabola, mas ela ainda pode ser mais
simplificada. Realizando a mudanca de variaveis em (9) dada porx2 = x1 + 2
y2 = y1 3 ,
que representa uma translacao no R2, obtemos
x22 = 2y2,
que representa a conica inicial aos novos eixos-x2y2. Nessa forma, identifica-
mos facilmente a equacao de uma parabola, como ilustra a Figura 27.5.
Figura 27.5: A parabola x22 =
2y2.
Procedimento para simplificar a equacao de uma conica
Seja a conica dada pela equacao
ax2 + bxy + cy2 + dx + ey + f = 0.
Podemos reescreve-la na forma matricial,
vtA v + Bv + f = 0,
C E D E R J 74
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
69/133
ConicasMO DU LO 3 AU LA 27
onde
q(x , y) = ax2 + bxy + cy2
= (x y)
a b/2
b/2 c
x
y
= vtA v ,
e
(x, y) = dx + ey
= (d e)
x
y
= Bv ,
com
A =
a b/2
b/2 c
,
B = (d e)
e
v =
x
y
.
A ideia principal do procedimento a seguir consiste em realizar uma
rotacao nos eixos-xy, de modo a eliminar o termo cruzado bxy.
1o Passo: Encontrar uma matriz ortogonal P = [u1 u2] que diagonalize A. Lem-
bre que as colunas de P formam uma base {u1, u2} ortogonal de au-tovetores da matriz A para o R2. Assim,
D = PtA P com D =
1 0
0 2
,
onde 1 e 2 sao os autovalores da matriz A associados aos autovetores
u1 e u2, respectivamente.
75C E D E R J
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
70/133
Conicas
2o Passo: Permutar as colunas de P, caso seja necessario, de modo que se tenha
det(P) = 1. Isso garante que a transformacao ortogonal
v = Pv1, com v1 =
x1
y1
,
seja uma rotacao no plano.
3o Passo: Obter a equacao que representa a conica no novo sistema de eixos-
x2y2. Para isso, observe que
ax2 + bxy + cy2 = vtA v
= (Pv1)tA (Pv1) ; onde v = Pv1
= vt1(PtA P) v1
= vt1D v1
= (x1 y1)
1 0
0 2
x1
y1
= 1x21 + 2y
21 ,
edx + ey = Bv
= B(Pv1) ; onde v = Pv1
= (BP) v1 ; onde BP = (d1 e1)
= (d1 e1)
x1
y1
= d1x1 + e1y1 .
Assim, a equacao vtA v + Bv + f = 0 se transforma em
1x21 + 2y
21 + d1x1 + e1y1 + f = 0,
que e uma equacao que representa a conica e nao contem termos cruzados(em xy).
C E D E R J 76
-
8/3/2019 17405 Algebra Linear2 Aulas 19a32 Volume02
71/133
ConicasMO DU LO 3 AU LA 27
Vamos fazer uma breve analise dessa equacao.
1. Considere o caso em que os autovalores sao nao-nulos: 1, 2 = 0. Nestecaso, podemos completar os quadrados nas variaveis x1 e y1, obtendo
1x21 + 2y
21 + d1x1 + e1y1 + f = (1x
21 + d1x1) + (2y
21 + e1y1)
= 1x22 + 2y
22 + F ,
com F R2. Assim, a equacao
1x21 + 2y
21 + d1x1 + e1y1 + f = 0
e transformada em
1x22 + 2y
22 + F = 0.
Note que
(a) Se 1, 2 > 0, entao a conica sera uma elipse, caso F < 0; ou
um ponto ((x2 , y2